こんにちは！データエンジニアの myshmeh です。 前回の記事では、データ分析エージェントの精度向上を題材に、オントロジーと Semantic Layer は対立するものではなく、互いに補完しうる関係なのではないか、という観点を整理しました。 本記事ではその続編として、実際のオントロジーツールに触れ、それぞれの利点に踏み込みます。具体的には、形式論理の取り入れ度合いが異なる Microsoft Fabric IQ と Protégé を通じて、 Semantic Layer と比較した際の特徴と、実務に取り入れる際の難しさを整理してみたいと思います。 オントロジーのいろいろ オントロジーを試す前に、オントロジーは定義が一つに定まらない領域であることを押さえたいと思います。 オントロジーは、哲学に端を発する領域で、業界によって様々なニュアンスを含みます。特にテック業界では、「概念の構造的

生成AIの業務活用が本格化し、自律的にタスクを実行するAIエージェントに熱い視線が注がれている。しかしAIの性能はデータの原則「Garbage in, Garbage out」のとおり、データの品質に大きく依存する。AIエージェントや自社データで回答精度を高めるRAG（検索拡張生成）を有効に機能させるには、部門横断で整備された信頼性の高いデータが不可欠だ。生成AIの真価を引き出し、競争優位を得るためには、IT部門が主導してこれらの手法を取り入れ、全社的なデータ基盤を再構築することが急務である。 アシスタントからエージェントへ、進化し続ける生成AI 2022年11月の「ChatGPT」の登場以来、生成AIは驚異的なスピードで進化と普及を続けている。当初は文章生成やアイデア創出といった個人の生産性向上ツールとしての側面が注目されたが、現在では企業の基幹業務やサービスに組み込まれ、ビジネス価値を

導入の流れとしては、まずビジネス職のセルフサービス化を目指してSnowflake Intelligenceを導入し、次にSlackという日常のインターフェースからアクセスできるようCortex Agentを構築、そしてデータチーム自身の生産性向上のためにSnowflake MCP × Claude Codeを導入しました。 Snowflake Intelligence 概要と導入背景 Snowflake Intelligenceは、SnowflakeのUI上で自然言語による問い合わせができる機能です。SQLを書かずに、データの抽出や可視化が行えます。 導入の背景は、非エンジニア職の社内メンバーにも気軽にSnowflake上のデータを触って、分析できる環境を提供するためでした。 ユースケース 主にPdMや企画メンバーが、以下のような用途で利用しています。 施策の効果検証に必要な数値の確認 K

2026年4月16日(木)に実施された「freee PdM Night」での発表資料です。 イベントページ：https://freee.connpass.com/event/387355/ 登壇者：株式会社kubell 合田 翔平

この記事は何か AIの進化によってデータ活用のハードルが下がる中、これからの「データの民主化」の在り方についてまとめたものです。 SQLの壁がなくなった今だからこそ重要になる「人とデータ環境の噛み合わせ」やアナリティクスエンジニアリングの役割について、考えをまとめています。 はじめにこんにちは、kubellの池田です。 私はこれまで約15年にわたり、「データ」に関わる仕事に携わってきました。データ活用の黎明期から、機械学習の実装・開発、そしてAI活用・サービス展開に至るまで、時代の変遷とともに様々な形でデータと向き合う機会が多かったのですが、その過程の中で、これまでに感じてきたことを中心に、不定期で（自分のハードルを上げないため）、つらつらと書いていきたいと思います。 今回は「データの民主化」についてです。 時期や会社の違いはあれど「データの民主化」という言葉をよく耳にしてきました。 AI

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに 普段、プロジェクトで組織向けのBIレポートをよく作成するのですが、近年のAIの台頭もあり、データ利活用に関する問い合わせや相談がますます増えるようになってきました。 データが重要という事自体はこれまでもずっと言われ続けてはいましたが、これまではいわゆる表面的な業務効率化に留まっていた組織も、データの重要性について頭ではなく肌感覚で理解し始めているのだと思います。 いわゆるデータ分析部門や企画部門などの一部の人達だけではなく、より現場に近い領域の人達からもデータに関する意見が多く出るようになってきているのは非常に良い傾向なのでは

Rahul DeshmukhSenior Product Manager, AI for Databases ※この投稿は米国時間 2025 年 12 月 16 日に、Google Cloud blog に投稿されたものの抄訳です。 AI の最先端技術は、単純なチャット インターフェースから、複雑なワークフローを計画、実行、改良できる自律型エージェントへと急速に移行しています。こうした新たな状況においては、これらのインテリジェント エージェントを企業データにグラウンディングする能力こそが、真のビジネス価値を引き出す鍵となります。Google Cloud はこの変革の最前線に立ち、堅牢なデータドリブン アプリケーションを迅速かつ正確に構築できるようお客様を支援しています。 先月、Google は AI ファーストの統合開発環境（IDE）である Antigravity を発表しました。そして今

【コラム】生成AI時代 データ分析に必要な”料理人のスキル”は？ アナリティクスアソシエーション 大内 範行 発信元：メールマガジン2025年12月24日号より 「生成AIでデータ分析は、どこまで簡単でおいしくなるのだろうか？」 今年最後のコラムです。来年に向けてそんなテーマを考えてみたいと思います。 さて、今年見たドラマの影響ですが、はじめて「筑前煮」という料理を作ってみました。これが思いのほか、妻や娘に好評で、うれしさの余り脳内に電流が走りました。といっても私の場合は、シャープのホットクックという自動調理器で作ったわけです。 「なーんだ、自動調理器か」という話ですが、それでも私にとっては革命的な出来事でした。そもそも私は料理が大の不得意です。「筑前煮」など、遥か地平線のかなたにある料理でした。 話変わってデータ分析です。 GA4にもいよいよ生成AIが搭載され、来年はデータ分析も生成AI

私たちがデータから答えを得る方法が、いま変わろうとしています。 何十年もの間、クエリとはSQLを書くこと、硬直したビジネスインテリジェンス（BI）ツールを操作すること、あるいはダッシュボードへのリクエストの回答を列に並んで待つことを意味していました。それは確かに機能していましたが、迅速さも柔軟性もなく、データチーム以外の大多数の人にとって決してアクセスしやすいものではありませんでした。 CDataは、この状況が変わろうとしていると確信しています。私たちはこれを「バイブクエリ（Vibe Querying）」と呼んでおり、ビジネスユーザーがデータと対話する方法を再定義しようとしています。 バイブクエリは企業がデータと対話する方法を変えるでしょう。そして、それは当たり前のものになるでしょう。 従来のクエリとは？ 従来のクエリは精度を重視して設計されています。データベースやAPIから欲しい情報（テ

国家資格にも登場？　「データマネジメント」が、生成AI活用の成否を分かつ理由：生成AI活用の成否を分かつ「データマネジメント」超入門（1） 企業における生成AIの活用が加速する一方、蓄積したデータをAI自身に理解させなければAI活用の取り組みは頓挫しかねない――そこで本連載は、AI活用の成否を分ける「データマネジメント」に焦点を当てる。初回は、なぜデータマネジメントがAI活用の成否を分けるのか、AIがデータを正しく理解するために求められる取り組みを整理する。 現在、生成AI（人工知能）やAgentic AI（エージェンティックAI）の登場により、AIとデータを組み合わせた業務変革やビジネスの付加価値創出への期待は飛躍的に高まっている。だが、PwCコンサルティングの調査（「生成AIに関する実態調査2024 春 米国との比較」）によると、生成AIの活用、推進率は米国が91％であるのに対し、日本

企業の成長や競争力を左右する要素として、データ分析基盤の重要性はますます高まっています。単にデータを集めるだけでなく、品質を担保し、正しく統合して誰もが活用できる状態に整えることが、真の競争力の源泉となります。 近年は生成AIやリアルタイム分析の活用が進み、規制強化によるデータガバナンス対応も求められるなど、基盤整備の重要性はさらに増しています。 本カオスマップでは、代表的なツールを5つのカテゴリに整理し、それぞれの特徴や選定ポイントをまとめました。自社のデータ活用方針や基盤整備の検討に役立てていただければ幸いです。 ※本記事では、各ツールを「主な特徴や用途」に基づき分類しています。複数機能を持つ場合もありますが、全体像を直感的に捉えることを目的としてまとめています データ分析基盤ツール全体像会員限定コンテンツ無料登録してアーキテクチャを見る 本マップは2025年10月時点の公開情報をもと

10月16日・17日の2日間、国内最大級のB2B特化型マーケティングカンファレンス「B2Bアジェンダ2025 」が静岡･沼津のプラサ ヴェルデで開催される。 5回目の開催を迎える今回のテーマは「マーケティング組織の『事業貢献』を再定義し、必要な基盤を整備しよう」。 「リードを獲得する部門」「認知を拡大する部門」「営業支援ツールを制作する部門」ー BtoBマーケティング組織へのこうした偏った認識は、もはや過去のものになりつつある。商品部門とともに価値を生み出す。セールス部門とともに売上をつくる。カスタマーサクセス部門とともにブランドを育てる。顧客理解を経営にフィードバックする。こうした、“事業成長の中核”としての役割が求められているのだ。 マーケティング組織ができる／すべき「事業貢献」にはどのようなものがあるか？ 事業貢献できる組織へとアップデートするために整備する必要がある「基盤」にはどの

251007追記：なんとnoteの「今日の注目記事」に選ばれました。 会議中、同じデータを見ているはずなのに「このデータって、こういうこと言えませんか」「ここが問題じゃないですかね」と瞬時に示唆を出せる人がいます。 こういった分析上手な人は、センスが優れているとかではなく、分析のお作法とか型とか思考手順をちゃんと徹底しています。 裏を返すと、ちゃんとそういったテクニックさえ知っておけば、誰だって分析上手になれるということ。 しかし、いざ分析上手になろうと思って、Amazonで「データ分析」と検索しても、3000以上もの本がヒットします。 しかも、どの本も、編集者が練りに練ったタイトルだけあって、魅力的に移ります。 いったいどの本を読めばいいやら、さっぱりわからない。 ・・・という悩みを解決できるnoteを書いてみました。 なぜ、僕がその悩みの解決をお手伝いできるかというと 僕自身、毎年30

こんにちは、プロダクトAI開発の宮後(miya10kei)です。最近はMakuakeで変わったガジェットを探すのにハマっています🛠️ 昨年、ニーリーで社内AIチャットボットのPoC開発をし、今年の4月から全社で本格的な利用を開始しました。現在は知識領域毎に特化した4つのチャットボットを運用しています。 チャットボット 説明 AI Park Direct Park Directのドメイン知識を回答してくれるチャットボット AI Park Direct for Business Park Direct for Businessのドメイン知識を回答してくれるチャットボット AI 労務 労務関連の社内規定に関して回答してくれるチャットボット AI Analytics BIツールのクエリー検索/解説、NL2SQLなどを回答してくれるチャットボット 今回は、最近新たに社内公開し評判の良かったデータ活

背景と課題 特殊な性質を持つデータパイプライン データパイプラインと一口に言っても、その用途や役割によって大きく性格が異なります。 例えば、分析用のシンプルなパイプラインもあれば、CRMやマスタデータなど複数のデータソースを組み合わせ、新しいデータを生成するような複雑なパイプラインも存在します。 そうした生成系のパイプ

関連キーワード 人工知能 | Google | データサイエンティスト | データ分析 人工知能（AI）技術を活用し、自律的に判断や処理を実行するシステム「AIエージェント」が、真の意味で“自律的に”行動できるのかについていまだに議論があるものの、AIエージェントへの期待は過熱する一方だ。調査会社Gartnerのアナリスト、チラグ・デカテ氏は「企業は業務をAIエージェントベースで再構築する取り組みを進めている」と語り、今後数年間で大企業のほとんどがAIエージェントを採用していくと予測する。 これまで、AIエージェントはカスタマーサービスや開発者向けのアプリケーションが中心だった。そうした中、2025年8月5日（現地時間）、Googleはカンファレンス「Google Cloud Next Tokyo 2025」において、データエンジニリングとデータサイエンス向けの新しいAIエージェントを発表